本文介绍了多种基于深度学习的模型和框架，专注于情感分析和网络迷因的识别与分类。研究显示，这些模型在处理女性歧视性迷因、语义角色标注和情感分类等任务中表现优异，并探讨了大型语言模型在复杂任务中的局限性，为未来研究提供了重要见解。

该研究探讨了有害网络迷因，提出了新的分类方法和数据集HarMeme，强调多模态信号在检测中的重要性。研究还分析了网络毒性检测的复杂性，提出了MOMENTA深度神经网络方法，显示出优于现有方法的性能，并探讨了用户对毒性内容的期望，为改进毒性分类器的设计提供了方向。

社交媒体平台信息共享导致在线滥用增加。本文构建孟加拉Memes数据集并使用多种模型分类滥用Memes。多模态模型优于单模态模型，最佳模型宏F1分数为70.51。对错误分类的Memes进行了定性错误分析。

社交媒体的指数增长改变了信息的创造、传播和吸收方式，但也导致了网络违规使用表情包的增加。本文研究了大型多模型识别和应对表情包中的社交虐待能力，并提出了GOAT-Bench表情包基准。实验结果显示当前模型对隐性虐待形式缺乏敏感性。

AI研究由行业推动，Google、OpenAI和Meta是领先的AI公司，负责最大规模的训练和算法创新。腾讯和百度等国内公司影响力较低。许多行业实验室和新进公司也在推动AI进展。

谷歌注册局推出新域名.meme和.ing，用户可在https://get.meme/上抢注，注册价格为19.99美元/年，部分域名需支付溢价费用。正式注册时间为2023年12月5日16:00 UTC。

我们使用检索引导的对比训练构建了一种恶意感知的嵌入空间，解决了现有基于CLIP的系统对于正确恶意分类所需微小差异缺乏敏感性的问题。我们展示了一种基于检索的恶意违规表情包检测系统，该系统能够根据未见过的数据进行恶意分类，无需重新训练，适用于互联网恶意违规表情包不断演变的实际服务的持续更新。

任何在互联网上花过任何时间的人都很清楚 模因 梗的使用在网上话语中已经变得多么普遍了。在最新发生的事件中寻找新的模因梗，并与不同的朋友群体分享它们的幽默，是我长期以来喜欢的一种消遣方式。 然而，大多数幽默模因有一个讽刺性的双重性：它们越是小众，就越是有趣。一些最好的模因梗只是我的朋友圈之间的看似愚蠢玩笑，或者来自令人难以置信的小众信息安全行业。 ...